Risques physiques, mécaniques ou de sécurité Alotaibi, A., Gambatese, J., Wefki, H., Alqurashi, A. et Elnabwy, M. T. (2026). Prioritising construction accident risk factors using an integrated Random Forest, XGBoost, and ANN framework with sensitivity analysis. Scientific Reports, 16(1), article 26042. https://doi.org/10.1038/s41598-026-61367-z  Yamusa, M. A., Zailani, B. M., Ibrahim, Y. et Ibrahim, Y. M. (2026). Predicting construction workers’ safety participation behaviour using explainable machine learning. Smart and Sustainable Built Environment. https://doi.org/10.1108/SASBE-11-2025-0717 Retour vers le sommaire |
Risques biomécaniques Hassani, M., Karanikas, N., Perrin, D. et Nayak, R. (2026). AI-based models for risks of work-related musculoskeletal disorders in office workers: Exploring generalisability, interpretability and use of binary scales. Ergonomics. https://doi.org/10.1080/00140139.2026.2710143 Teixeira, T., Barbosa, G., Areias, B., Guerra, A., Covas, M., Faria, S., . . . Ramião, N. (2026). Sensor-based and AI-driven ergonomic seated posture detection for workplace risk prevention. Sensors, 26(16). https://doi.org/10.3390/s26165120 Retour vers le sommaire |
Risques psychosociaux Müller, A., Danailova, I., Ertel, M., Gündel, H., Heming, M., Kemter, A., . . . Röttgen, C. (2026). The association between core functions of algorithmic management and work-related health problems: Indications for effects beyond well-known psychosocial stressors. Frontiers in Public Health, 14. https://doi.org/10.3389/fpubh.2026.1886482  Nzeusseu Kouamou, L., T. Martineau, J. et Plusquellec, P. (2026). Quand les machines lisent nos émotions : balises éthiques pour le milieu professionnel. Revue québécoise de psychologie, 46(4), 100-118. https://doi.org/10.7202/1127954ar
Wang, C. C. et Chen, M. S. (2026). Explainable machine learning for concurrent screening of elevated work-related fatigue using routine working-hour and occupational health data among manufacturing workers: A cross-sectional model development and internal validation study. Healthcare, 14(16), article 2627. https://doi.org/10.3390/healthcare14162627 Welithotage, T. et Nowrouzi-Kia, B. (2026). Occupational vulnerability to ai-driven change: The role of skill composition, task structure, and psychosocial buffers. American Journal of Industrial Medicine. https://doi.org/10.1002/ajim.70131 Retour vers le sommaire |
L'information à votre portée Cette veille sur l’intelligence artificielle en SST propose une sélection d’articles scientifiques et de littérature grise. Les éléments sélectionnés sont fournis « tels quels », sans garantie d'exhaustivité, de fiabilité et d’exactitude. Les articles sont sélectionnés pour leur pertinence avec les objectifs de cette veille, qu’ils soient en libre accès () ou non. Voyez avec votre bibliothèque ou centre de documentation pour obtenir par prêt entre bibliothèques les articles bloqués. Sinon, un outil qui peut vous aider à découvrir la version libre accès d’un article en toute légalité est Unpaywall avec son extension pour Chrome. Par la force des choses, les articles scientifiques seront plus souvent qu'autrement en anglais. Membres de la cellule de veille : - Clothilde Brochot, professionnelle de recherche
- Marie Comeau, conseillère en mobilisation des connaissances
- Jessica Dubé, chercheuse
- Catherine Dufresne, technicienne en documentation
- Bénédicte Nauche, conseillère en veille et en information scientifique
- Alireza Saidi, chercheur
L'IRSST produit d'autres veilles scientifiques qui pourraient vous intéresser : Veille scientifique en santé et en sécurité du travail. | | | | |
